基于GBRBM-DBN模型的短时交通流预测方法

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于GBRBM-DBN模型的短时交通流预测方法

冯微, 陈红, 张兆津, 邵海鹏

文章导航 > 交通信息与安全 > 2018 > 36(5): 99-108

冯微, 陈红, 张兆津, 邵海鹏. 基于GBRBM-DBN模型的短时交通流预测方法[J]. 交通信息与安全, 2018, 36(5): 99-108. doi: 10.3963/j.issn.1674-4861.2018.05.013

引用本文:

冯微, 陈红, 张兆津, 邵海鹏. 基于GBRBM-DBN模型的短时交通流预测方法[J]. 交通信息与安全, 2018, 36(5): 99-108. doi: 10.3963/j.issn.1674-4861.2018.05.013

FENG Wei, CHEN Hong, ZHANG Zhaojin, SHAO Haipeng. A Forecast of Short-term Traffic Flow Based on GBRBM-DBN Model[J]. Journal of Transport Information and Safety, 2018, 36(5): 99-108. doi: 10.3963/j.issn.1674-4861.2018.05.013

Citation:

FENG Wei, CHEN Hong, ZHANG Zhaojin, SHAO Haipeng. A Forecast of Short-term Traffic Flow Based on GBRBM-DBN Model[J]. Journal of Transport Information and Safety, 2018, 36(5): 99-108. doi: 10.3963/j.issn.1674-4861.2018.05.013

冯微, 陈红, 张兆津, 邵海鹏. 基于GBRBM-DBN模型的短时交通流预测方法[J]. 交通信息与安全, 2018, 36(5): 99-108. doi: 10.3963/j.issn.1674-4861.2018.05.013

引用本文:

冯微, 陈红, 张兆津, 邵海鹏. 基于GBRBM-DBN模型的短时交通流预测方法[J]. 交通信息与安全, 2018, 36(5): 99-108. doi: 10.3963/j.issn.1674-4861.2018.05.013

FENG Wei, CHEN Hong, ZHANG Zhaojin, SHAO Haipeng. A Forecast of Short-term Traffic Flow Based on GBRBM-DBN Model[J]. Journal of Transport Information and Safety, 2018, 36(5): 99-108. doi: 10.3963/j.issn.1674-4861.2018.05.013

Citation:

FENG Wei, CHEN Hong, ZHANG Zhaojin, SHAO Haipeng. A Forecast of Short-term Traffic Flow Based on GBRBM-DBN Model[J]. Journal of Transport Information and Safety, 2018, 36(5): 99-108. doi: 10.3963/j.issn.1674-4861.2018.05.013

基于GBRBM-DBN模型的短时交通流预测方法

doi: 10.3963/j.issn.1674-4861.2018.05.013

长安大学公路学院西安710064
长安大学公路学院西安710064
武威职业学院电子信息工程系甘肃武威733000
长安大学公路学院西安710064

基金项目:

同济大学道路与交通工程教育部重点实验室开放课题

中央高校基本科研业务费资助项目

中图分类号: U491.14
计量
- 文章访问数: 189
- HTML全文浏览量: 32
- PDF下载量: 2
- 被引次数: 0
出版历程
- 刊出日期: 2018-10-28

A Forecast of Short-term Traffic Flow Based on GBRBM-DBN Model

摘要: 为提高城市道路短时交通流预测的精度和效率,提出了一种基于深度学习的短时交通流参数预测模型,结合高斯-伯努利受限波尔兹曼机、Softmax回归模型和深度置信网络,对大规模路网中地点车速进行预测.该模型在网络底层加入高斯-伯努利受限波尔兹曼机,将传统二值输入转换为连续实值输入以适应地点车速的数据特征.在网络输入、输出矩阵中加入时空特征表达,并将深度置信网络顶层接入Softmax回归模型,根据深度学习模型提取到的地点车速时空特征对多路段多时刻的地点车速进行预测.选取广州市大规模路网中60条路段60 d的实测地点车速对网络结构和参数进行调试,并分析预测结果.结果表明,GBRBM-DBN网络结构能够提取大规模路网中地点车速的时空分布特征,预测精度较高.与长短时记忆循环神经网络预测结果进行对比,具有更高的时效性;与“深层模型+小规模数据”相比,平均绝对误差减小10.13 km/h,平均相对误差减少14.5%;对输入矩阵中的训练集和测试集数据量比例作不同划分,平均绝对误差变化范围在1.64 km/h以内,平均相对误差仅增大7.3%.
- 智能交通 /
- 地点车速 /
- 高斯-伯努利受限波尔兹曼机 /
- 深度置信网络 /
- 大规模路网 /
- 交通流预测

参考文献(0)

资源附件(0)

WeChat

点击查看大图

计量

文章访问数: 189
HTML全文浏览量: 32
PDF下载量: 2
被引次数: 0

/

下载: 全尺寸图片幻灯片

分享

用微信扫码二维码

分享至好友和朋友圈

返回

版权所有《交通信息与安全》编辑部鄂ICP备05003336号-2

通信地址：湖北省武汉市武昌区和平大道1178号，武汉理工大学余家头校区 (430063)

联系电话：027-86580355电子邮箱：jtjsj@vip.163.com

本系统由北京仁和汇智信息技术有限公司开发